简述：torchgeo

一、TorchGeo 是什么

TorchGeo 是微软研究院推出、基于 PyTorch 的地理空间深度学习库，专门处理卫星 / 遥感图像、多光谱数据、GIS 栅格矢量等地理空间数据。

核心定位：把遥感影像 + 深度学习标准化，解决多光谱、坐标投影、空间采样、大图像切片等痛点TorchGeo。

核心能力：

内置 Sentinel、Landsat、NAIP、CDL、Inria 等数十种遥感数据集

支持 GeoTIFF、多光谱、时序、空间坐标（CRS）自动处理TorchGeo

提供 NDVI、归一化、空间采样器等专用变换

提供语义分割 / 变化检测 / 分类预训练模型与任务接口TorchGeo

用途：土地覆盖分类、变化检测、建筑物提取、农业监测、灾害评估等。

二、简单使用示例（3 个）

1）加载 Sentinel-2 并计算 NDVI（植被指数）

python 复制代码

import matplotlib.pyplot as plt
from torchgeo.datasets import Sentinel2
from torchgeo.transforms import AppendNDVI

# 1. 加载哨兵2数据（自动处理多波段、坐标）
dataset = Sentinel2(root="./data/sentinel2", bands=["B2", "B3", "B4", "B8"])  # RGB+NIR
sample = dataset[0]  # 取一个瓦片

# 2. 绘图（RGB真彩色）
fig = dataset.plot(sample)
plt.title("Sentinel-2 RGB")
plt.show()

# 3. 自动计算NDVI（植被指数）并追加为新通道
transform = AppendNDVI(index_red=2, index_nir=3)  # B4=红, B8=近红外
sample = transform(sample)

# 4. 显示NDVI
ndvi = sample["image"][-1]
ndvi = (ndvi + 1) / 2  # 归一化到0-1
plt.imshow(ndvi, cmap="RdYlGn_r")
plt.title("NDVI (植被)")
plt.colorbar()
plt.show()

2）土地覆盖分类（Chesapeake 数据集）

python 复制代码

from torchgeo.datamodules import ChesapeakeDataModule
from torchgeo.trainers import SemanticSegmentationTask
from lightning.pytorch import Trainer

# 1. 数据模块（自动下载、切图、加载）
dm = ChesapeakeDataModule(
    root="./data/chesapeake",
    splits=["train", "val"],
    batch_size=8,
    num_workers=4,
)

# 2. 语义分割任务（U-Net+预训练权重）
task = SemanticSegmentationTask(
    model="unet",
    backbone="resnet18",
    weights=True,
    in_channels=4,    # 多光谱波段数
    num_classes=7,    # 土地覆盖类别数
    loss="ce",
    lr=1e-4,
)

# 3. 训练
trainer = Trainer(max_epochs=10, accelerator="gpu", devices=1)
trainer.fit(task, datamodule=dm)

3）变化检测（2 期影像对比）

python 复制代码

from torchgeo.datasets import CDL
from torchgeo.datamodules import ChangeDetectionDataModule
from torchgeo.trainers import ChangeDetectionTask

# 1. 变化检测数据（2期+标签）
dm = ChangeDetectionDataModule(
    root="./data/change",
    dataset_class=CDL,  # 作物数据/土地覆盖
    batch_size=4,
)

# 2. 变化检测模型
task = ChangeDetectionTask(
    model="cdnet",
    backbone="resnet18",
    weights=True,
    lr=1e-4,
)

# 3. 训练
trainer = Trainer(max_epochs=10, accelerator="gpu")
trainer.fit(task, datamodule=dm)

三、一句话总结

TorchGeo 让遥感图像深度学习像普通图像一样简单：自动处理多光谱 / 坐标 / 大瓦片，内置数据集与模型，快速落地分类、分割、变化检测。

本blog地址：https://blog.csdn.net/hsg77